Targeted Learning: Causal Inference for Observational and Experimental Data

حرفه آمار در یک نقطه منحصر به فرد در تاریخ است. نیاز به ابزارهای آماری معتبر بیش از هر زمان دیگری است. مجموعه داده ها عظیم هستند و اغلب صدها هزار اندازه گیری را برای یک موضوع واحد اندازه گیری می کنند. این زمینه آماده است تا به سمت معیارهای عینی روشن حرکت کند که تحت آن ابزارها می توانند ارزیابی شوند. یادگیری هدفمند اجازه می دهد (1) تعمیم کامل و استفاده از اعتبار سنجی متقاطع به عنوان ابزار انتخاب برآوردگر، به طوری که انتخاب های ذهنی انجام شده توسط انسان ها اکنون توسط ماشین انجام می شود، و (2) برازش توزیع احتمال داده ها را هدف قرار می دهد. پارامتر هدف نشان دهنده سوال علمی مورد علاقه است.

این کتاب هم برای آماردانان و هم محققان کاربردی علاقه مند به استنتاج علی و تخمین اثر کلی برای داده های مشاهده ای و تجربی است. بخش اول مقدمه‌ای در دسترس برای یادگیری فوق‌العاده و برآوردگر حداکثر احتمال هدفمند، شامل مفاهیم مرتبط لازم برای درک و بکارگیری این روش‌ها است. بخش‌های II-IX ساختارهای داده پیچیده و موضوعاتی را بررسی می‌کند که محققین کاربردی فوراً از تحقیقات خود تشخیص خواهند داد، از جمله نتایج زمان تا رویداد، اثرات مستقیم و غیرمستقیم، نقض‌های مثبت، مطالعات مورد شاهدی، داده‌های سانسور شده، داده‌های طولی، و مطالعات ژنومی. .

\"یادگیری هدفمند، توسط مارک جی. ون در لان و شری رز، شکاف بسیار مورد نیاز در استنتاج آماری و علی را پر می کند. ما را از هدر دادن منابع محاسباتی، تحلیلی و داده در جنبه های نامربوط محافظت می کند. یک مشکل را نشان می دهد و به ما می آموزد که چگونه روی آنچه مرتبط است تمرکز کنیم - پاسخ دادن به سؤالاتی که محققین واقعاً به آنها اهمیت می دهند.\"
-Judea Pearl، گروه علوم کامپیوتر، دانشگاه کالیفرنیا، لس آنجلس

\" به طور خلاصه، این کتاب باید در قفسه هر محققی باشد که تحقیقات مشاهده‌ای و کارآزمایی‌های تصادفی‌سازی شده کنترل‌شده را انجام می‌دهد. مفاهیم و روش‌شناسی برای استنتاج علّی بنیادی هستند و در عین حال به آنچه داده‌های در دست می‌توانند در مورد سؤالاتی که می‌گوید صادق می‌مانند. به مجموعه آنها انگیزه دهید.\"
-Ira B. Tager، بخش اپیدمیولوژی، دانشگاه کالیفرنیا، برکلی

The statistics profession is at a unique point in history. The need for valid statistical tools is greater than ever; data sets are massive, often measuring hundreds of thousands of measurements for a single subject. The field is ready to move towards clear objective benchmarks under which tools can be evaluated. Targeted learning allows (1) the full generalization and utilization of cross-validation as an estimator selection tool so that the subjective choices made by humans are now made by the machine, and (2) targeting the fitting of the probability distribution of the data toward the target parameter representing the scientific question of interest.

This book is aimed at both statisticians and applied researchers interested in causal inference and general effect estimation for observational and experimental data. Part I is an accessible introduction to super learning and the targeted maximum likelihood estimator, including related concepts necessary to understand and apply these methods. Parts II-IX handle complex data structures and topics applied researchers will immediately recognize from their own research, including time-to-event outcomes, direct and indirect effects, positivity violations, case-control studies, censored data, longitudinal data, and genomic studies.

"Targeted Learning, by Mark J. van der Laan and Sherri Rose, fills a much needed gap in statistical and causal inference. It protects us from wasting computational, analytical, and data resources on irrelevant aspects of a problem and teaches us how to focus on what is relevant – answering questions that researchers truly care about."
-Judea Pearl, Computer Science Department, University of California, Los Angeles

"In summary, this book should be on the shelf of every investigator who conducts observational research and randomized controlled trials. The concepts and methodology are foundational for causal inference and at the same time stay true to what the data at hand can say about the questions that motivate their collection."
-Ira B. Tager, Division of Epidemiology, University of California, Berkeley